[论文解读] COOKIE: A Dataset for Conversational Recommendation over Knowledge Graphs in E-commerce

Zuohui Fu, Yikun Xian+3 more|arXiv (Cornell University)|Aug 21, 2020

Topic Modeling参考文献 23被引用 9

一句话总结

本文提出了 Cookie，一个用于电商领域对话式推荐的新颖数据集，整合了用户行为、产品属性和知识图谱（KG），以实现个性化、可解释的推荐。通过在基于亚马逊评论构建的统一知识图谱上模拟类人、由粗到精的对话交互，该数据集支持下一问题预测和推荐任务，KBRD 和 OpenDialKG 在关键指标上达到了最先进性能。

ABSTRACT

In this work, we present a new dataset for conversational recommendation over knowledge graphs in e-commerce platforms called COOKIE. The dataset is constructed from an Amazon review corpus by integrating both user-agent dialogue and custom knowledge graphs for recommendation. Specifically, we first construct a unified knowledge graph and extract key entities between user--product pairs, which serve as the skeleton of a conversation. Then we simulate conversations mirroring the human coarse-to-fine process of choosing preferred items. The proposed baselines and experiments demonstrate that our dataset is able to provide innovative opportunities for conversational recommendation.

研究动机与目标

• 为解决电商领域缺乏真实、基于知识的对话式推荐数据集的问题，创建一个新基准。
• 通过基于亚马逊评论构建的统一知识图谱，模拟类人、由粗到精的用户-代理对话决策过程。
• 通过在知识图谱结构中建模用户偏好和历史交互，实现个性化推荐。
• 通过基于知识的可解释推理，同时支持下一问题预测和项目推荐任务。
• 提供公开可获取的数据集和基线模型，以加速知识增强型对话式推荐研究。

提出的方法

• 从亚马逊评论数据构建统一知识图谱，通过共购买和共提及关系连接用户、产品及关键实体（如品牌、类别、功能）。
• 从用户-产品对中提取关键实体，作为对话流程的核心，支持用户兴趣由粗到精的逐步推进。
• 模拟自然、多轮对话，用户从宽泛查询（如“我需要一部手机”）开始，通过特定实体的问题逐步缩小范围。
• 使用预训练的 TransE 嵌入表示实体，使用 word2vec 表示话语，将对话和知识图谱组件映射到共享嵌入空间。
• 适配现有模型——BPR、KGAT、OpenDialKG、KBRD、DMN、DAM、MSN——在该数据集上同时执行推荐和下一问题预测任务。
• 使用 F1@10 和 Recall@2 指标评估模型，候选负样本数量为 100 个，用于下一问题预测和推荐任务。

实验结果

研究问题

• RQ1 如何从电商评论数据中有效构建知识图谱，以支持对话式推荐？
• RQ2 在统一知识图谱上模拟类人对话在多大程度上能提升对话式推荐系统的现实感和性能？
• RQ3 哪些模型架构最能有效利用知识图谱结构进行下一问题预测和个性化推荐？
• RQ4 在对话式推荐中，检索式方法是否能在流畅性和准确性方面优于生成式方法？
• RQ5 将用户历史记录和偏好整合到知识图谱中，如何增强推荐的可解释性和个性化程度？

主要发现

• 在汽车类别中，KBRD 在下一问题预测任务中取得了最高的 F1@10 得分为 0.666，优于其他基线模型。
• 在汽车类别中，OpenDialKG 在 Recall@2 指标上达到最佳得分 0.713，表明其在检索正确下一问题方面表现优异。
• KGAT 在所有类别中均优于 BPR，F1@10 得分在 0.593 至 0.637 之间，证明了知识图谱推理的优势。
• 在汽车类别中，KBRD 模型在推荐任务中取得了最高的 F1@10 得分为 0.666，显示出其在个性化推荐中的有效性。
• OpenDialKG 和 KBRD 在所有类别中均表现出色，无论在下一问题预测还是推荐任务中，表明其在利用知识图谱结构方面的鲁棒性。
• 该数据集使检索式方法生成的响应比生成式方法更流畅、更富信息量，这一结论得到了更高指标得分的证实。